Google Research lance SensorFM et remet en cause les modèles de santé sur objets connectés dédiés à une seule tâche

Google Research a lancé SensorFM après l’avoir entraîné sur plus de mille milliards de minutes de données issues d’objets connectés, provenant de cinq millions de participants consentants. Le modèle s’attaque à une faiblesse coûteuse de la santé numérique : la plupart des algorithmes pour objets connectés restent conçus pour un seul résultat, un seul jeu de données et une seule configuration d’appareil.

Les travaux de recherche sur SensorFM proposent une autre voie. Selon Google, une représentation physiologique réutilisable a pu être transférée à 35 tâches de prédiction couvrant la santé cardiovasculaire, le métabolisme, le sommeil, la santé mentale, la démographie et les habitudes de vie.

Google Research présente SensorFM comme un système de recherche, et non comme un produit clinique. Cette distinction est importante, car ses résultats proviennent d’études contrôlées et d’évaluations rétrospectives. Ils ne démontrent pas que le modèle peut être utilisé en toute sécurité dans les hôpitaux, les applications grand public d’accompagnement ou les programmes de dépistage à l’échelle d’une population.

Apple constitue le principal point de comparaison concurrentiel. Ses chercheurs ont entraîné des modèles de fondation sur des données d’Apple Watch, notamment des signaux comportementaux recueillis auprès d’une vaste cohorte consentante. Les deux entreprises considèrent désormais les données issues des objets connectés comme une matière première pour des modèles généralistes, plutôt que pour des chaînes de traitement de caractéristiques isolées.

L’affrontement immédiat n’oppose donc pas le matériel Fitbit à celui de l’Apple Watch. Il oppose la modélisation physiologique généraliste à la pratique établie consistant à développer un modèle supervisé distinct pour chaque critère de santé.

Google Research lance SensorFM à l’échelle d’une population

SensorFM déplace l’unité de développement : d’une prédiction de santé individuelle vers une représentation réutilisable de la physiologie humaine.

Google Research a annoncé SensorFM le 9 juillet 2026. Xin Liu, chercheur senior, et Daniel McDuff, chercheur principal, ont présenté ces travaux sur le blog de Google Research.

Le modèle a été préentraîné sur des données désidentifiées recueillies entre septembre 2024 et septembre 2025. Cinq millions de participants avaient consenti à ce que leurs données soient utilisées dans le cadre de recherches sur la santé et le bien-être.

Le corpus couvre plus de 100 pays, les 50 États américains et plus de 20 modèles de Fitbit et de Pixel Watch. Google a échantillonné plusieurs semaines de données pour chaque participant.

Le jeu de données obtenu contient plus de deux milliards d’heures, soit plus de mille milliards de minutes, d’informations issues de capteurs avec une granularité d’une minute. Ce chiffre officiel rectifie les résumés qui ont décrit le corpus comme comprenant 100 000 milliards de minutes.

SensorFM traite 34 caractéristiques agrégées pour chaque minute d’une fenêtre de 24 heures. Ces caractéristiques proviennent de cinq modalités de détection : la photopléthysmographie, l’accélérométrie, l’activité électrodermale, la température cutanée et l’altimétrie.

La photopléthysmographie, couramment appelée PPG, utilise la lumière pour mesurer les variations du volume sanguin près de la peau. Les objets connectés s’appuient sur ces variations pour dériver des signaux tels que la fréquence cardiaque et des estimations du taux d’oxygène dans le sang.

L’accélérométrie mesure les mouvements. L’activité électrodermale rend compte des variations de conductance de la peau, tandis que l’altimétrie estime les changements d’altitude. Ensemble, ces données décrivent le sommeil, les mouvements, la température, l’activité cardiovasculaire et les habitudes quotidiennes associées.

Cette conception multimodale est importante, car les signaux de santé apparaissent rarement de manière isolée. Une fréquence cardiaque au repos plus élevée peut avoir des significations différentes selon le sommeil, l’activité physique, la température et le niveau de référence propre à la personne.

Google a évalué la représentation apprise sur 35 tâches issues de trois études prospectives approuvées par des comités d’éthique institutionnels. Ces études rassemblaient au total 13 985 participants.

Les tâches couvraient six catégories. Elles concernaient la santé cardiovasculaire, les risques métaboliques, la santé mentale, le sommeil, les caractéristiques démographiques et les habitudes de vie.

Lors d’une évaluation clé, les chercheurs ont gelé l’encodeur principal de SensorFM. Ils ont ensuite entraîné un prédicteur linéaire léger à partir de ses embeddings, qui sont des représentations mathématiques compressées des profils de données de chaque personne.

Selon Google, ces prédicteurs linéaires ont surpassé, pour 34 des 35 tâches, des modèles supervisés de référence reposant sur des caractéristiques conçues manuellement. La plus grande version de SensorFM a obtenu le meilleur résultat sur 33 tâches.

Ces résultats ne signifient pas qu’un même modèle peut diagnostiquer 35 pathologies. Ils montrent que la même représentation a conservé des informations utiles pour de nombreux objectifs de recherche, sans nécessiter d’encodeur spécialisé pour chacun d’eux.

C’est là le changement central. Les développeurs peuvent partir d’une représentation physiologique commune, puis l’adapter au moyen d’une couche de prédiction plus petite et propre à chaque tâche.

Pourquoi un modèle unique pour 35 tâches est important

SensorFM accentue la pression sur les équipes qui reconstruisent encore leurs chaînes de traitement des données de santé issues d’objets connectés pour chaque critère et chaque étude.

Les modèles traditionnels pour objets connectés dépendent fortement d’exemples étiquetés. Les chercheurs commencent par définir un résultat, recueillent des étiquettes vérifiées, conçoivent des caractéristiques, puis entraînent un modèle supervisé pour ce problème précis.

Cette méthode peut être efficace pour des tâches bien délimitées. Cependant, les diagnostics, les résultats d’analyses de laboratoire et les questionnaires validés sont coûteux à recueillir et difficiles à reconstituer après la fin d’une étude.

Les données issues d’objets connectés présentent un déséquilibre inhabituel. Les appareils produisent des flux continus de mesures, mais les chercheurs disposent de relativement peu d’étiquettes fiables permettant d’expliquer la signification clinique de ces flux.

SensorFM utilise l’apprentissage auto-supervisé pour réduire cet écart. Cette méthode masque certaines parties des données d’entrée et entraîne le modèle à les reconstruire, sans exiger de diagnostic pour chaque enregistrement.

Le modèle apprend donc à partir de la structure même des données des capteurs. Les chercheurs peuvent ensuite vérifier si cette structure permet d’effectuer une prédiction donnée à l’aide d’un jeu de données étiqueté plus restreint.

Google indique que SensorFM est devenu plus compétitif que les modèles de référence démographiques et ceux reposant sur des caractéristiques conçues manuellement, tout en n’utilisant qu’une fraction des étiquettes disponibles. L’entreprise ne présente pas ce résultat comme un substitut à la validation clinique.

L’efficacité en matière d’étiquettes modifie néanmoins l’économie des premières phases de recherche. Une équipe peut étudier un nouveau critère sans devoir commencer par mettre en place une chaîne de modélisation indépendante à grande échelle.

L’échelle du modèle distingue également SensorFM des précédents travaux de Google sur les objets connectés. Son prédécesseur, LSM-2, avait été entraîné sur 40 millions d’heures de données provenant de plus de 60 000 participants.

Le précédent cadre LSM-2 avait établi une méthode d’apprentissage à partir de flux de capteurs incomplets. SensorFM étend cette méthode à un nombre bien plus important de participants, d’appareils, de zones géographiques et de tâches en aval.

Google a testé des modèles comptant de 100 000 à 100 millions de paramètres. L’entreprise a également fait varier le volume des données de préentraînement sur environ quatre ordres de grandeur, de deux millions à deux milliards d’heures de données de capteurs.

La version la plus grande a réduit la perte de reconstruction de 31 % par rapport à la plus petite. Google fait également état de gains moyens de 9 % sur les métriques de classification et de 21 % sur les métriques de régression.

Ces pourcentages décrivent des améliorations relatives des performances rapportées par l’équipe de recherche. Ils ne correspondent ni à des taux de précision clinique, ni à des réductions du risque de maladie, ni à une amélioration des résultats pour les patients.

Plus important encore, Google affirme que les performances ont progressé lorsque le volume de données et la capacité du modèle ont augmenté de concert. Les courbes de mise à l’échelle rapportées ne semblaient pas encore avoir atteint de plateau manifeste.

Ce résultat met sous pression les programmes de recherche de plus petite taille. Si les représentations physiologiques généralistes s’améliorent de manière prévisible grâce à des données recueillies à l’échelle d’une population, les organisations disposant de vastes plateformes d’objets connectés bénéficient d’un avantage structurel.

Les fabricants d’appareils contrôlent déjà les données continues nécessaires à cette approche. Ils exploitent également les systèmes de consentement, les parcs matériels et les services longitudinaux indispensables à leur collecte.

Les hôpitaux disposent d’étiquettes cliniques plus riches, mais leurs données issues d’objets connectés restent souvent fragmentées entre différents fournisseurs et systèmes de dossiers médicaux. Les startups peuvent posséder des jeux de données ciblés, mais rares sont celles capables de rivaliser avec une collecte longitudinale à l’échelle d’une plateforme.

SensorFM déplace donc la concurrence vers l’accès aux données, le consentement, la qualité des données et l’infrastructure d’adaptation. L’architecture du modèle reste importante, mais le corpus d’entraînement devient un actif stratégique central.

Le véritable mécanisme consiste à apprendre à partir des données manquantes

La caractéristique la plus déterminante de SensorFM n’est pas son nombre de paramètres, mais sa capacité à apprendre à partir des lacunes qui caractérisent l’utilisation réelle des objets connectés.

Les flux issus des objets connectés sont rarement complets. Les utilisateurs rechargent leurs appareils, desserrent leur bracelet, désactivent des capteurs, activent des réglages d’économie d’énergie et laissent leur montre sur leur table de nuit.

Les configurations matérielles diffèrent également. Un appareil peut mesurer la température cutanée ou l’activité électrodermale, tandis qu’un autre ne fournit que des signaux de mouvement et des données cardiaques optiques.

Les systèmes auto-supervisés classiques supposent souvent que les données d’entrée sont complètes. Les chercheurs doivent alors combler les lacunes avec des valeurs estimées ou retirer les échantillons incomplets avant l’entraînement.

Ces deux solutions posent problème. L’imputation peut introduire des motifs artificiels, tandis que le filtrage peut exclure les utilisateurs et les situations qui génèrent les données les plus désordonnées.

SensorFM s’appuie sur l’Adaptive and Inherited Masking, ou AIM. Cette méthode traite les données naturellement absentes et celles délibérément masquées pendant l’entraînement comme des composantes liées d’un même objectif de reconstruction.

Les masques « hérités » représentent les lacunes déjà présentes dans un enregistrement. Le masquage « adaptatif » permet au modèle de gérer, pendant l’entraînement, les variations du nombre et de la position de ces lacunes.

Cette conception permet à la représentation apprise de tenir compte des données manquantes. Elle n’exige pas que chaque capteur produise un signal ininterrompu tout au long de la journée.

Le mécanisme trouve son origine dans LSM-2. Google avait indiqué qu’aucune des 1,6 million de fenêtres d’une journée examinées dans le cadre de ce projet ne contenait de données parfaitement ininterrompues.

Ce constat fait passer les données manquantes du statut de cas marginal à celui de condition normale de fonctionnement. Un modèle utile pour les objets connectés doit fonctionner lorsque les utilisateurs se comportent comme des êtres humains, et non comme des instruments d’étude.

SensorFM apprend également à compléter certaines métriques manquantes. Concrètement, il peut estimer des portions d’un flux de capteurs à partir des signaux environnants et des relations entre les différentes modalités.

Cette capacité présente plusieurs applications en recherche. Elle peut faciliter les études rétrospectives reposant sur des enregistrements incomplets, normaliser les données d’entrée entre différents modèles d’appareils ou reconstituer les métriques quotidiennes nécessaires aux analyses en aval.

Toutefois, les valeurs reconstruites restent des estimations produites par le modèle. Elles ne doivent pas être présentées comme des mesures effectivement recueillies par un appareil.

Cette distinction est particulièrement importante dans les applications de santé. Une estimation d’un stade du sommeil ou d’un schéma physiologique peut étayer une analyse, mais elle ne devrait pas être intégrée discrètement à un dossier médical comme un fait observé.

L’argument central de Google est plus limité et plus crédible. Le préentraînement tenant compte des données manquantes préserve davantage d’informations exploitables que les chaînes de traitement qui complètent ou éliminent automatiquement chaque fenêtre incomplète.

Le modèle adopte également une vue complète sur 24 heures. Cette fenêtre lui permet de relier les mouvements diurnes, le sommeil nocturne, les phases de repos et d’autres signaux quotidiens au sein d’une même représentation.

Cette approche se distingue des modèles entraînés autour d’événements courts, comme des battements cardiaques individuels ou de brefs segments d’activité. Chaque niveau de granularité permet de répondre à des questions différentes.

La fenêtre quotidienne de SensorFM privilégie les schémas physiologiques et comportementaux plus larges. Elle paraît moins adaptée à la détection d’un événement aigu nécessitant une résolution de l’ordre de la seconde ou de la milliseconde.

Cette limite ne remet pas en cause le concept de modèle de fondation. Elle définit le niveau auquel SensorFM intervient : l’interprétation longitudinale, plutôt que toutes les formes de détection en temps réel.

SensorFM face à la stratégie d’Apple en matière de modèles pour objets connectés

Google et Apple convergent vers des modèles réutilisables pour appareils portables, mais mettent l’accent sur des représentations et des avantages de plateforme différents.

En 2025, des chercheurs d’Apple ont présenté un Wearable Behavior Model. Leurs modèles de fondation ont été entraînés sur plus de 2,5 milliards d’heures de données provenant de 162 000 participants.

L’étude d’Apple sur les appareils portables a évalué 57 tâches liées à la santé. Elle s’est concentrée sur des synthèses comportementales portant notamment sur les mouvements, le sommeil, l’exercice physique et les habitudes de mobilité.

SensorFM s’appuie sur un plus grand nombre de participants et se concentre sur des signaux multimodaux à l’échelle de la minute. Les travaux publiés par Apple sur les comportements couvrent davantage d’heures déclarées, car ils reconstituent des historiques comportementaux à long terme à partir de la cohorte étudiée.

Ces chiffres ne constituent pas un simple classement des modèles. Les entreprises utilisent des définitions de données, des cohortes, des tâches, des architectures et des protocoles d’évaluation différents.

Le modèle d’Apple cherche à déterminer si les comportements permettent de prédire les états de santé plus efficacement que les seuls signaux de capteurs de bas niveau. SensorFM de Google vise à apprendre une représentation physiologique étendue à partir de plusieurs modalités de capteurs.

Ces approches sont autant complémentaires que concurrentes. Les synthèses comportementales rendent compte d’activités significatives sur des périodes prolongées, tandis que les signaux de plus bas niveau préservent des variations physiologiques que ces synthèses peuvent masquer.

Apple avait également développé auparavant des modèles de fondation pour les signaux PPG et d’électrocardiogramme. Ces travaux considéraient chaque type de biosignal comme un vaste domaine de préentraînement.

Google défend désormais une couche unifiée couvrant cinq modalités et de nombreuses configurations d’appareils. Son avantage repose sur les données Fitbit et Pixel Watch disponibles dans l’ensemble de son écosystème.

L’avantage stratégique d’Apple est tout aussi manifeste. Apple Watch, HealthKit et des études de recherche menées sur de longues périodes offrent un parcours intégré, de la collecte des données de capteurs aux logiciels grand public.

Aucune des deux entreprises n’a démontré qu’un modèle généraliste pour appareils portables pouvait être utilisé en toute sécurité pour étayer des décisions cliniques courantes. Leurs résultats actuels portent sur des évaluations de recherche, et non sur des produits diagnostiques réglementés.

Cette rivalité reste néanmoins importante, car chaque entreprise peut relier ses recherches sur les modèles à ses appareils, à ses systèmes d’exploitation et à ses interfaces de santé grand public. Une couche de fondation performante peut réduire le coût d’ajout de futures fonctionnalités de santé.

Elle peut également influer sur l’interface destinée aux développeurs. Au lieu de se limiter à des mesures brutes, une plateforme pourrait à terme fournir des embeddings, des prédictions ou des outils d’agents fondés sur les tendances longitudinales d’un utilisateur.

Cette possibilité crée une seconde ligne de concurrence. Les plateformes d’appareils portables pourraient s’affronter pour contrôler la représentation physiologique située entre les données brutes des capteurs et les conseils finalement présentés à l’utilisateur.

Les initiatives de recherche ouvertes proposent une autre voie. Présenté en 2026, OpenMHC décrit plus de 60 millions d’heures de données issues d’appareils portables et un cadre ouvert reposant sur l’étude MyHeart Counts.

Les modèles ouverts peuvent améliorer la reproductibilité et fournir aux équipes indépendantes un référentiel commun. Ils restent toutefois confrontés à des contraintes liées à l’échelle, au consentement, à la diversité du matériel et aux labels cliniques.

L’article scientifique et le billet de blog consacrés à SensorFM n’annoncent ni poids de modèle publics, ni API générale pour les développeurs, ni fonctionnalité Fitbit prête à être déployée. L’avantage immédiat de Google reste donc cantonné à la recherche plutôt qu’étendu au marché des développeurs.

La comparaison essentielle ne porte donc pas sur une liste de fonctionnalités grand public. Elle consiste à déterminer quelle organisation saura transformer une représentation généraliste en outils de santé validés, accessibles et gouvernables.

Ce que les résultats de SensorFM ne permettent pas d’établir

L’échelle de SensorFM le rend remarquable, mais elle ne suffit pas à résoudre les questions de représentativité, de confidentialité, de validité clinique ou de risques liés au déploiement.

Le corpus de préentraînement comprend des participants consentants répartis dans plus de 100 pays. Cette étendue géographique ne garantit pas automatiquement une représentativité démographique ou clinique.

Les propriétaires d’appareils portables diffèrent de la population générale en matière de revenus, d’accès aux technologies, de répartition par âge, d’attention portée à leur santé et d’utilisation des appareils. Ces différences peuvent façonner les tendances apprises par un modèle.

Google affirme que les caractéristiques démographiques apportent un bénéfice supplémentaire plus faible à mesure que la taille du modèle augmente. Les chercheurs y voient la preuve que les modèles de plus grande taille captent implicitement des caractéristiques physiologiques pertinentes.

Ce constat doit être interprété avec prudence. Déduire des caractéristiques démographiques ou liées à la santé à partir de signaux de capteurs peut améliorer les prédictions, mais soulève également des questions de confidentialité et d’équité.

Même désidentifié, un flux de données de capteurs peut contenir des schémas comportementaux et physiologiques distinctifs. Des chercheurs ont averti que la désidentification n’éliminait pas nécessairement tous les risques de réidentification dans les jeux de données issus d’appareils portables.

La portée du consentement doit également être définie avec précision. Les participants ont accepté l’utilisation de leurs données à des fins de recherche, mais de futures applications commerciales ou cliniques nécessiteraient leurs propres mécanismes de gouvernance, un examen produit et une analyse juridique.

Les études en aval rapportées pour SensorFM ont porté sur 13 985 personnes. Il s’agit d’une évaluation de recherche substantielle, mais qui reste bien plus restreinte que le corpus de préentraînement de cinq millions de personnes.

Les évaluations utilisent également une sélection de tâches et de cohortes d’étude. Une réplication indépendante devra tester différentes populations, marques d’appareils, configurations de données manquantes et structures de soins.

Les prédictions relatives à la santé mentale exigent une prudence particulière. Google affirme que le changement d’échelle a apporté des bénéfices notables pour les tâches liées à la dépression et à l’anxiété, dont les signaux issus des capteurs peuvent être faibles et fortement individuels.

Un classificateur de recherche plus performant ne constitue pas un diagnostic. L’humeur, le sommeil, les médicaments, les horaires de travail, le handicap et les conditions sociales peuvent produire des schémas similaires dans les données d’appareils portables.

Les faux positifs peuvent provoquer de la détresse ou conduire à des soins inutiles. Les faux négatifs peuvent rassurer à tort une personne qui aurait besoin d’une évaluation professionnelle.

La même prudence s’impose pour les prédictions cardiovasculaires et métaboliques. La sortie d’un modèle peut révéler une association statistique sans en expliquer la cause ni justifier une décision thérapeutique.

Une étude de synthèse de 2026 sur les modèles de santé souligne des risques récurrents concernant la confidentialité, les biais démographiques, l’interprétabilité et la nécessité de validations cliniques répétées. Ces préoccupations s’appliquent directement aux modèles de fondation pour appareils portables.

Les erreurs de mesure des appareils ajoutent une difficulté supplémentaire. Les capteurs cardiaques optiques, les relevés de température cutanée et les estimations de mouvement varient selon l’ajustement de l’appareil, les mouvements, l’environnement, les caractéristiques de la peau et la génération du matériel.

SensorFM couvre plus de 20 modèles Fitbit et Pixel Watch, ce qui contribue à tester la diversité des appareils au sein de l’écosystème de Google. Cela ne permet pas d’établir un comportement équivalent sur les appareils Apple, Garmin, Samsung, Oura ou sur des dispositifs cliniques.

Les expérimentations du modèle avec des agents appellent à la même retenue. Google a intégré SensorFM à un Personal Health Agent de recherche et évalué des synthèses provenant de 31 profils de participants.

Des cliniciens ont produit 1 860 évaluations en aveugle selon cinq dimensions, dont le contexte, la pertinence, la justifiabilité, la personnalisation et les risques potentiels. Google affirme que l’ancrage dans SensorFM a amélioré chaque dimension par rapport à une référence utilisant uniquement des mesures quotidiennes.

L’équipe n’a également signalé aucune différence statistiquement significative entre les synthèses fondées sur les prédictions de SensorFM et celles utilisant les mesures réelles.

Ce résultat est intéressant, mais l’échantillon ne comprend que 31 profils. L’absence de différence statistique ne permet pas d’établir une équivalence pour des populations plus larges, d’autres pathologies ou des interactions plus longues.

Google a déjà présenté son prototype d’agent de santé comme un cadre de recherche. L’entreprise a précisé qu’il ne décrivait pas un produit ou une fonctionnalité disponible.

Des obstacles liés aux flux de travail subsistent également en dehors du modèle. Les médecins ont besoin de résultats validés, de responsabilités clairement définies, d’interfaces utilisables et d’une intégration aux dossiers médicaux électroniques.

Une enquête menée en 2026 auprès de 2 222 médecins a constaté un intérêt persistant pour les données issues d’appareils portables, parallèlement à d’importants obstacles à leur intégration. La validation clinique, l’accompagnement des flux de travail, le remboursement et la responsabilité restaient des sujets non résolus.

SensorFM s’attaque à la couche d’interprétation, et non à ces contraintes institutionnelles. De meilleurs embeddings ne peuvent à eux seuls instaurer des politiques de remboursement, une responsabilité médicale ou des dossiers interopérables.

Trois signaux permettront de savoir si SensorFM compte réellement

SensorFM ne deviendra véritablement déterminant que si les résultats de recherche sont suivis d’une validation indépendante, d’un accès élargi et d’un déploiement responsable dans des produits.

Le premier signal sera une évaluation indépendante. Les chercheurs extérieurs à Google doivent disposer de suffisamment de détails techniques, de code, de poids ou de sorties standardisées pour reproduire les gains annoncés.

Le test le plus probant consisterait à comparer SensorFM à des références supervisées et à d’autres modèles de fondation dans des institutions, des populations et des marques d’appareils portables jamais rencontrées auparavant. Les résultats devraient inclure les performances et la calibration par sous-groupe, et pas seulement les classements moyens.

La calibration mesure dans quelle mesure une probabilité prédite correspond aux résultats observés. Un modèle de santé peut classer correctement les personnes tout en produisant des estimations de risque inadaptées à la prise de décision.

Des tests indépendants renforceraient l’affirmation de Google concernant la généralisation si la représentation se transférait entre différents matériels et différentes cohortes. De faibles résultats pour certains sous-groupes limiteraient cette affirmation à des populations de recherche spécifiques.

Le deuxième signal sera l’accès accordé aux développeurs. Google a présenté l’article et la méthodologie, mais n’a annoncé ni API générale pour SensorFM ni poids de modèle téléchargeables.

Les conditions d’accès indiqueront si SensorFM devient une infrastructure partagée ou reste un actif de recherche interne. La documentation devrait préciser les appareils pris en charge, les usages prévus, les exigences relatives aux données et les applications interdites.

Une interface utile devrait également distinguer les données mesurées des valeurs reconstruites et des attributs de santé inférés. Les développeurs ne devraient pas avoir à déterminer par rétro-ingénierie quelles sorties relèvent de l’observation et lesquelles constituent des estimations.

L’accès influencera la concurrence avec Apple et les initiatives ouvertes. Les modèles de plateforme fermés peuvent s’intégrer profondément aux appareils, tandis que les modèles ouverts permettent des audits et des adaptations plus étendus.

Le troisième signal sera le déploiement d’un produit ayant fait l’objet d’un examen. Une fonctionnalité de santé Fitbit ou Pixel montrerait comment Google transforme cette représentation en contenu textuel, en mécanismes de protection, en contrôles du consentement et en parcours d’orientation.

La question essentielle ne sera pas de savoir si un coach IA paraît personnalisé. Il faudra déterminer si les utilisateurs peuvent examiner les éléments probants, comprendre les incertitudes, corriger les erreurs et accéder à des soins professionnels lorsque cela s’avère nécessaire.

Les outils de santé personnelle ont également besoin d’un contexte durable. Les utilisateurs peuvent combiner les tendances issues de leurs appareils portables avec des résultats de laboratoire, les consignes de leurs cliniciens, des changements de traitement et leurs propres observations.

Les systèmes généraux de gestion des connaissances personnelles illustrent l’intérêt de relier des informations dans le temps. Toutefois, les outils de connaissance ordinaires ne doivent pas remplacer les dossiers médicaux réglementés ni les conseils de professionnels.

La « salle de classe » agentique de Google constitue un autre signal à surveiller dans le cadre de ces déploiements. Plusieurs agents fondés sur des modèles de langage ont généré et affiné des têtes de prédiction à partir des embeddings de SensorFM.

Le système a exploré plus de 30 000 solutions candidates. Les têtes qu’il a générées ont surpassé une simple sonde linéaire dans 16 des 20 tâches de classification et dans 12 des 15 tâches de régression.

Ce flux de travail peut réduire les expérimentations manuelles, mais il alourdit également les exigences de validation. Le code généré automatiquement nécessite des contrôles de reproductibilité et de fuite de données, un examen de sécurité et une supervision experte.

Selon Google, les versions plus performantes de Gemini ont produit de meilleures solutions candidates. La collaboration entre agents a également aidé les modèles moins performants à combler une partie de leur retard.

Cette combinaison relie deux couches de modèles de fondation. SensorFM représente l’historique des données corporelles issues des capteurs, tandis que les agents fondés sur des modèles de langage recherchent du code permettant d’adapter ces représentations à des questions particulières.

Il en résulte une pile de recherche davantage automatisée. Il ne s’agit pas d’une autorité médicale automatisée.

SensorFM mérite l’attention, car il s’attaque, à une échelle inhabituelle, à un véritable goulet d’étranglement technique. Les programmes reposant sur des dispositifs portables recueillent bien davantage de données non étiquetées que de résultats cliniquement validés.

La réponse de Google consiste à apprendre une représentation physiologique unique tenant compte des données manquantes, puis à la réutiliser pour de nombreuses tâches. Les résultats annoncés rendent cette stratégie difficile à ignorer pour les plateformes d’appareils et les chercheurs en santé numérique.

La prochaine démonstration devra avoir lieu en dehors du benchmark d’origine. Il faudra surveiller les réplications indépendantes, les modalités d’accès concrètes et l’arrivée d’un produit évalué dont les limites seront présentées de manière transparente.

D’ici là, Google Research présente SensorFM comme une remise en cause crédible de la modélisation des dispositifs portables centrée sur une seule tâche, et non comme une intelligence aboutie dédiée à la santé personnelle. Les lecteurs devront juger la prochaine annonce à l’aune des preuves, de l’accessibilité et de la responsabilité, et pas seulement de l’échelle.